Multi-group data versus dual-side theory: On race contrasts and police-caused homicides
Notice bibliographique
Résumé
Empirical evidence points to a persistent Black-White racial gap in police-caused homicides. Some scholarship treats the gap as denoting criminal justice exposure either in terms of involvement in crime or living in a high-crime context. By contrast, health scholarship typically points to the importance of racism including the attitudes, institutional practices, and overall structures that operate to privilege one group over another. Still, given the demographics of US society, the Black-White racial contrast overlooks the 25% of Americans who are neither Black nor White: Native Americans, Latinos, and Asians. The question of how the groups should be organized vis-a-vis the current Black-White model and theories arises. An answer is not straightforward. There is a rank-ordering to the groups' mortality rates as well as an exponential increase in the number of possible comparisons. In this paper we systematically review the literature on race and police-caused homicide with a particular focus on studies that attempt to move beyond the Black-White model. We find that studies on race and police-caused homicide either make no comparison between the groups, or, alternatively, use a White-non-White, a Black-non-Black, and/or a Black-Native American-Latino vs. White-Asian comparison. We use data on group-specific mortality rates to examine the strengths and limits of each of these practices. The limits are the selection of counterfactual gaps, the selection of smaller gaps, and/or the omission of larger gaps. To address these limits, we propose that a Black-Native American vs. Latino-White-Asian model best captures the higher and lower mortality rates in police-caused homicide data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,011 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».